Apprentissage supervisé

L'apprentissage supervisé est un paradigme dominant dans le domaine de l'apprentissage automatique. l'apprentissage automatique (ML), où un algorithme est un algorithme est formé sur des données d'entrée qui ont été étiquetées avec la sortie correcte. Contrairement à d'autres méthodes dans lesquelles un système peut explorer les données de manière autonome, cette approche repose sur un "superviseur". données de manière autonome, cette approche s'appuie sur un "superviseur" - les données étiquetées - pour guider l'apprentissage. données étiquetées pourguider le processus d'apprentissage. L'objectif L'objectif principal est que le modèle apprenne une fonction de correspondance entre les variables d'entrée et les variables de sortie avec suffisamment de précision pour qu'il puisse prédire les résultats pour de nouvelles variables d'entrée. avec suffisamment de précision pour pouvoir prédire les résultats de nouvelles données inédites. Cette méthodologie sert de base à de nombreux modèles commerciaux intelligence artificielle (IA) d'intelligence artificielle (IA), allant des filtres anti-spam aux systèmes systèmes avancés de vision artificielle (CV).

Fonctionnement du processus

Le flux de travail commence par un ensemble de données contenant des paires d'entrées (caractéristiques) et de sorties souhaitées (étiquettes). Cette collection est généralement divisée en sous-ensembles distincts : données de formation pour l'apprentissage du modèle, données de validation de validation pour le réglage des paramètres, et les données de l'évaluation finale.

Pendant la phase d'apprentissage du modèle, l'algorithme traite les données d'entrée et fait une prédiction. données d'entrée et fait une prédiction. Une formule mathématique connue sous le nom de fonction de perte calcule la différence entre cette prédiction et l'étiquette réelle. Pour minimiser cette erreur, un algorithme d'optimisation, tel que la descente de gradient, ajuste itérativement les poids du modèle internes du modèle. Ce cycle se poursuit pendant de nombreuses passes, ou époques, jusqu'à ce que le modèle atteigne des performances satisfaisantes sans suradaptation à l'ensemble d'apprentissage. Pour approfondir approfondie de ces mécanismes, vous pouvez explorer le guide de Scikit-learn sur l'apprentissage supervisé.

Catégories principales de l'apprentissage supervisé

La plupart des problèmes d'apprentissage supervisé se répartissent en deux catégories principales en fonction du type de variable de sortie :

• Classification des images: La variable de sortie est une catégorie ou une classe. L'objectif est de prédire des étiquettes discrètes, par exemple de déterminer si un courriel est "spam" ou "non spam", ou si une image contient un "chat" ou un "chien". "spam" ou "non spam", ou si une image contient un "chat" ou un "chien". Les architectures modernes comme Ultralytics YOLO11 excellent dans ces tâches de classification en identifiant rapidement des modèles dans les données visuelles.
• Régression: La variable de sortie est une valeur réelle continue. Les exemples incluent la prédiction des prix de l'immobilier sur la base de la superficie ou la prévision des tendances du marché boursier. prévoir les tendances du marché boursier. Pour en savoir plus sur les fondements statistiques de ces méthodes, consultez la présentation de l'analyse de régression d'IBM. l'aperçu de l'analyse de régression d'IBM.

Mise en œuvre d'un modèle de classification

L'entraînement d'un modèle supervisé est devenu de plus en plus accessible grâce à des API de haut niveau. L'exemple Python suivant suivant montre comment entraîner un modèle YOLO11 sur le jeu de données MNIST , une référence standard pour la classification des chiffres.

from ultralytics import YOLO

# Load a pretrained classification model
model = YOLO("yolo11n-cls.pt")

# Train the model on the MNIST dataset
# Ultralytics handles the download of the 'mnist160' dataset automatically
results = model.train(data="mnist160", epochs=5, imgsz=64)

# Run inference on a sample image to verify the supervised learning
print(model("https://ultralytics.com/images/bus.jpg"))

Applications concrètes

L'apprentissage supervisé alimente des technologies essentielles dans divers secteurs d'activité. En voici deux exemples marquants :

1. Véhicules autonomes: Les voitures auto-conduites s'appuient fortement sur systèmes de détection d'objets formés par apprentissage supervisé. Des ensembles de données annotées contenant des milliers d'images de piétons, de feux de circulation et d'autres véhicules permettent à l'IA de la voiture de reconnaître et de localiser les dangers en temps réel. l'IA de la voiture de reconnaître et de localiser les dangers en temps réel. Des entreprises comme NVIDIA utilisent l'apprentissage profond pour traiter ces vastes capteurs pour une navigation en toute sécurité.
2. Analyse d'images médicales: Dans le domaine de la santé, les modèles sont formés sur des scanners étiquetés par des radiologues experts afin d'aider au diagnostic. Par exemple, un peut apprendre à identifier les signes précoces de pathologies dans les radiographies ou les IRM. Les chercheurs utilisent souvent des ressources telles que l'ensemble de données sur la détection des tumeurs cérébrales systèmes d'aide à la décision clinique.

Distinguer les concepts apparentés

Il est important de différencier l'apprentissage supervisé des autres paradigmes d'apprentissage automatique :

• Apprentissage non supervisé: Contrairement à l'apprentissage supervisé, cette méthode traite des données non étiquetées. L'objectif est de découvrir des structures cachées, telles que comme le regroupement de clients ayant des habitudes d'achat similaires l 'analyse de grappes.
• Apprentissage par renforcement: Au lieu d'apprendre à partir d'un ensemble statique de réponses correctes, un agent apprend en interagissant avec un environnement. Il reçoit un retour d'information sous forme de récompenses ou de pénalités. Il reçoit un retour d'information sous forme de récompenses ou de pénalités, un concept détaillé dans l'introduction à l'apprentissage par renforcement de Sutton et Barto. l 'introduction à l'apprentissage par renforcement de Sutton et Barto.
• Apprentissage semi-supervisé: Cette approche agit comme un moyen terme, en utilisant une petite quantité de données étiquetées avec une plus grande quantité de données non étiquetées afin d'améliorer l'efficacité de l'apprentissage, souvent utilisé lorsque l'étiquetage des données est coûteux ou prend du temps. Cette approche est souvent utilisée lorsque l'étiquetage des données est coûteux ou prend du temps.